En esta sección estaremos hablando del Pronóstico. A continuación, el siguiente video contiene información importante del tema:
Los
pronósticos son una de las herramientas
fundamentales para la toma de decisiones dentro de las organizaciones tanto productivas
como sin fines de lucro. Algunas de las áreas en donde se utilizan
pronósticos en la industria son la planeación y
control de inventarios, producción, finanzas, ventas, comercialización, entre
muchas otras.
Principalmente, los pronósticos tienen la finalidad de:
"Reducir la incertidumbre acerca de lo que
puede acontecer en el futuro proporcionando información cercana a la realidad
que permita tomar decisiones sobre los cursos de acción a tomar tanto en el
presente como en el futuro."
El siguiente video, habla acerca de la importancia de realizar los pronósticos a nivel empresarial y los efectos de su aplicación:
Tipos de pronósticos
Los pronósticos se pueden clasificar en cuatro tipos básicos: cualitativos, análisis de series de tiempo o cuantitativos, relaciones causales y simulación.
Las técnicas cualitativas
son de carácter subjetivo y se basan en estimaciones y opiniones.
El análisis de
series de tiempo o cuantitativos se basa en la idea de que se pueden usar
los datos relacionados con la demanda del pasado para realizar pronósticos.
Los pronósticos
causales suponen que la demanda está relacionada con uno o más factores
subyacentes del ambiente.
Los modelos de
simulación permiten al pronosticador recorrer una gama de suposiciones
sobre la condición del pronóstico.
Modelos
comunes para pronósticos cuantitativos
Promedio Móvil
Simple Se promedia un periodo que contiene varios puntos de datos,
dividiendo la suma de los valores de los puntos entre el número de puntos. Así,
cada punto tiene la misma influencia.
Promedio Móvil
Ponderado Ciertos puntos se ponderan más o menos que otros, según se
considere conveniente de acuerdo con la experiencia.
Suavización
Exponencial Los puntos de datos más recientes tienen mayor peso; este peso
se reduce exponencialmente cuanto más antiguos son los datos.
Análisis de
Regresiones Ajusta una línea recta a datos pasados, por lo general
relacionando el valor del dato con el tiempo. El método de ajuste más común es
el de mínimos cuadrados, permite identificar la tendencia de la serie de tiempo
analizada.
Análisis de
series de tiempo
Los modelos de
pronóstico de series de tiempo tratan de pronosticar el futuro con base a datos
pasados.
Los promedios
móviles y la suavización exponencial son los mejores y más
fáciles de usar para pronósticos a corto plazo: requieren pocos datos y los
resultados son de nivel medio. Los modelos a largo plazo son más complejos,
requieren más datos de entrada y ofrecen mayor precisión. Desde ya, los
términos corto, medio y largo son relativos, dependiendo
del contexto en que se apliquen.
En los pronósticos
empresariales, el corto plazo por lo general se refiere a menos de tres meses;
el medio, de tres meses a dos años; y el largo, a más de dos años. En términos
generales, los modelos a corto plazo se ajustan para cambios a corto plazo
(como la respuesta de los consumidores ante un nuevo producto).
Los pronósticos a
medio plazo son buenos para efectos estaciónales y los modelos a largo plazo
detectan las tendencias generales y son de utilidad especial para identificar
punto de cambios decisivos.
El modelo de
pronósticos a escoger depende de lo siguiente:
1. Horizonte de
tiempo para el pronóstico.
2. Disponibilidad
de datos.
3. Precisión
requerida.
4. Tamaño del
presupuesto para pronósticos.
5. Disponibilidad
de personal calificado.
También hay que tener
en cuenta el grado de flexibilidad de la empresa (si es mayor la
capacidad para reaccionar con rapidez ante los cambios, no tiene que ser tan
preciso el pronóstico)
Promedio Simple
Es un promedio de
los datos del pasado en el cual las demandas de todos los períodos anteriores
tienen el mismo peso relativo.
Se calcula de la
siguiente manera:
PS = Suma de
demandas de todos los períodos anteriores, entre o dividido por
K = Número
de periodos de demanda
PS = D1 + D2
+.....+Dk
K
Donde:
D1= demanda del
período más reciente;
D2= demanda que
ocurrió hace dos períodos;
Dk= demanda que
ocurrió hace k períodos.
Promedio Móvil
Una media móvil
simple combina los datos de demanda de la mayor parte de los periodos
recientes, siendo su promedio el pronóstico para el siguiente periodo.
Una media móvil
simple de n periodos se puede expresar mediante:
MMS = Suma de las
demandas anteriores de los últimos n periodos entre o dividido por
N = Número de
periodos empleados en la media móvil
MMS = Dt = D1
+ D2 +.....+ Dn
N
Donde:
t = 1 es el
periodo más antiguo en el promedio de n periodos;
t = n es el
periodo más reciente.
Suavización
Exponencial
Las principales
razones de popularidad de las técnicas de suavización son:
1. Los modelos
exponenciales tienen una precisión sorprendente.
2. Es muy fácil
formular un modelo exponencial.
3. El usuario
puede comprender como funciona el modelo.
4. Se requiere muy
pocos cálculos para usar el modelo.
5. Como se usan
datos históricos limitados, son pocos los requisitos de almacenamiento en
computadores.
6. Es fácil
calcular pruebas para determinar la precisión del modelo en la práctica.
En el método solo
se necesitan tres datos: el pronóstico más reciente, la demanda real que
se presentó para ese periodo, y una constante de suavización alfa, a.
La ecuación para
un pronóstico de suavización exponencial simple no es más que:
Pronóstico de la
demanda = Ft = F(t – 1) + α ( A(t-1) – F(t-1) )
Donde:
- Ft = El pronóstico suavizado exponencialmente para el periodo t.
- Ft-1 = El pronóstico suavizado exponencialmente para el periodo anterior.
- At-1 = La demanda real para el periodo anterior.
- a = La tasa de respuesta deseada, o constante de suavización.
Análisis de
regresión lineal
Se define a la regresión
como una relación funcional entre dos o más variables correlacionadas y se
usa para pronosticar una variable con base en la otra.
En la regresión
lineal la relación entre las variables forma una línea recta.
La línea de
regresión lineal es de forma Y = a + bX, otras formas son Y = aX + b, Y = mX + b
Donde Y es
la variable dependiente que queremos resolver; a es la intersección de Y;
b es la pendiente y X es la variable independiente (en el
análisis de series de tiempo, X representa unidades de tiempo).
Los valores de a y
b se obtienen de calcular:
a= n∑(XtDt) – (∑Xt) (∑Dt)
n(∑X2t)
– (∑Xt)2
b = ∑Dt – b∑Xt
n
La regresión
lineal es útil para pronósticos a largo plazo de sucesos importantes.
La restricción principal
para usar los pronósticos de regresión lineal es que, supuestamente, los datos
pasados y las proyecciones caen sobre una línea recta.
No hay comentarios:
Publicar un comentario